随着移动互联网、GIS信息技术的发展，LBS(Location Based Service，基于位置的服务)定位系统应用越来越广泛。同时，各类系统积累的位置信息数据也成几何级增长，如何对这些海量的空间数据进行一个高效的组织、管理，有效地对数据信息特征进行表达；又如何充分利用这些空间数据，从中挖掘出隐含在其中的知识和规律，进而为决策提供数据支持，从而提升定位系统的智能化水平，已成为时空数据模型和空间数据挖掘技术的重要研究内容。为此，本文面向基于位置服务的人员定位系统的数据挖掘和分析需求，重点对时空数据模型以及空间数据挖掘中的聚类分析算法进行了研究。本文首先对时空数据模型中OPH时空数据模型、聚类算法中DBSCAN算法和K-means算法进行了综合研究分析，指出了存在的问题。接着，以优化和简化OPH时空数据模型为目标，提出了面向人员定位信息的OH时空数据模型，该模型结构简单，更能适合人员对象，且比较完整地表达了人员定位信息的时空特征属性。经过对该模型的查询实验，证明了该模型的可行性，为下一步进行数据挖掘奠定了基础。然后，深入地分析了DBSCAN和K-means算法，在此基础上提出了一种改进算法,实现了人员异常轨迹点的查找，并应用于对人员异常轨迹点的检测，实验结果证明，该算法在异常点检测上更加准确，聚类效果更佳；提出了人员轨迹相似度比较算法，解决了点集与点集之间直接进行相似度比较的问题，通过具体实例验证了该算法在比较人员轨迹相似度上具有一定的可行性。最后本文基于上述研究的理论和方法，结合了实际项目需求,设计实现了一个基于位置服务的人员定位系统，实现了对人员轨迹的实时定位查询、历史轨迹查询、时空查询、空间查询、人员异常轨迹区域分析以及人员轨迹相似度匹配分析等功能。